5

我在这里发布了一个问题：R 中的匹配范围合并关于根据一个文件中的数字合并两个文件，该数字落入第二个文件的范围内。到目前为止，我一直未能成功拼凑代码来完成此任务。我遇到的问题是我使用的代码逐行比较文件。这是一个问题，因为 1.) 一个文件比另一个文件长得多，并且 2.) 我需要通过较长文件中的每个范围对扫描较短文件中的行 - 而不仅仅是同一行中的范围.

我一直在使用原始问题中发布的函数，我觉得应该有一种方法可以将它应用于更通用的循环，将第一个文件中的每一行与第二个文件中的每一行进行比较，但我没有t想通了。如果有人有任何建议，我将不胜感激。

**** 已编辑。

数据的性质是这样的：每个范围不一定是唯一的，尽管大多数是唯一的。它们的大小也不相同，有些完全属于其他范围。findInterval因此会产生错误，因为无法对范围进行排序以符合“非降序”顺序。

以下是每个数据帧的前 6 行：

file1test <- data.frame(SNP=c("rs2343", "rs211", "rs754", "rs854", "rs343", "rs626"), BP=c(860269, 369640, 861822, 367934, 706940, 717244))


file2 <- data.frame(Gene=c("E613", "E92", "E49", "E3543", "E11", "E233"), BP_start=c(367640, 621059, 721320, 860260, 861322, 879584), BP_end = c(368634, 622053, 722513, 879955, 879533, 894689))

因此，如您所见，第 5 行的范围在第 4 行的范围内，第一个文件中的两个 SNP 在第 4 行的范围内，但只有一个在第二行的范围内。

第一个包含 SNP 的文件只有约 400 行。但是，包含范围的第二个文件大约有 20K。我想作为输出生成一个数据框，其中包含来自第一个文件（SNP）的行，其中 BP 属于第二个文件中的 BP 范围。如果一个 SNP 属于两个范围，那么它会出现两次，等等。

4

3 回答 3

7

我相信你要的是一个conditional join. 它们在 SQL 中很容易，并且该sqldf包使使用 SQL 在 R 中查询数据帧变得容易。

只需根据您希望如何处理不匹配的 SNP 来选择一个版本。

内连接版本：

> sqldf("select * from file1test f1 inner join file2 f2 
+       on (f1.BP > f2.BP_start and f1.BP<= f2.BP_end) ")

输出：

     SNP     BP  Gene BP_start BP_end
1 rs2343 860269 E3543   860260 879955
2  rs754 861822 E3543   860260 879955
3  rs754 861822   E11   861322 879533
4  rs854 367934  E613   367640 368634
>

左连接版本：

> sqldf("select * from file1test f1 left join file2 f2 
+       on (f1.BP > f2.BP_start and f1.BP<= f2.BP_end) ")

输出：

     SNP     BP  Gene BP_start BP_end
1 rs2343 860269 E3543   860260 879955
2  rs211 369640  <NA>       NA     NA
3  rs754 861822 E3543   860260 879955
4  rs754 861822   E11   861322 879533
5  rs854 367934  E613   367640 368634
6  rs343 706940  <NA>       NA     NA
7  rs626 717244  <NA>       NA     NA
>

=请注意，在 BP 与 BP_start 或 BP_end 完全匹配的情况下，如果重要的是 BP 将落入哪个组，您可能需要小心放置位置。

于 2012-08-10T04:09:21.760 回答
7

Bioconductor 中的GenomicRanges包专为此类操作而设计。使用例如 read.delim 读取您的数据，以便

con <- textConnection("SNP     BP
rs064   12292
rs319   345367
rs285   700042")
snps <- read.delim(con, head=TRUE, sep="")

con <- textConnection("Gene    BP_start    BP_end
E613    345344      363401
E92     694501      705408
E49     362370      368340") ## missing trailing digit on BP_end??
genes <- read.delim(con, head=TRUE, sep="")

然后从每个创建“IRanges”

library(IRanges)
isnps <- with(snps, IRanges(BP, width=1, names=SNP))
igenes <- with(genes, IRanges(BP_start, BP_end, names=Gene))

（注意坐标系，IRanges 期望 start 和 end 包含在范围内；另外，当 end = start - 1 时，end >= start 期望 0 宽度范围）。然后找到与基因（“主题”）重叠的 SNP（IRanges 术语中的“查询”）

olaps <- findOverlaps(isnps, igenes)

两个 SNP 重叠

> queryHits(olaps)
[1] 2 3

它们与第一个和第二个基因重叠

> subjectHits(olaps)
[1] 1 2

如果一个查询与多个基因重叠，它会在 queryHits 中重复（反之亦然）。然后，您可以将数据框合并为

> cbind(snps[queryHits(olaps),], genes[subjectHits(olaps),])
    SNP     BP Gene BP_start BP_end
2 rs319 345367 E613   345344 363401
3 rs285 700042  E92   694501 705408

通常基因和 SNP 具有染色体和链（'+'、'-' 或 '*' 表示该链不重要）信息，并且您希望在这些上下文中进行重叠；而不是创建“IRanges”实例，您将创建“GRanges”（基因组范围），随后的簿记将为您处理

library(GenomicRanges)
isnps <-
    with(snps, GRanges("chrA", IRanges(BP, width=1, names=SNP), "*")
igenes <-
    with(genes, GRanges("chrA", IRanges(BP_start, BP_end, names=Gene), "+"))
于 2012-08-09T23:27:47.367 回答
0

您可以使用and来按范围合并。只返回那些匹配的（内连接）：applywhich

do.call(rbind, apply(file1test, 1, function(x) {
  if(length(idx <- which(x["BP"] >= file2$BP_start & x["BP"] <= file2$BP_end)) > 0) {
    cbind(rbind(x), file2[idx,])
  }
}))
#      SNP     BP  Gene BP_start BP_end
#x  rs2343 860269 E3543   860260 879955
#1   rs754 861822 E3543   860260 879955
#2   rs754 861822   E11   861322 879533
#x1  rs854 367934  E613   367640 368634

或全部来自 file1test（左连接）：

do.call(rbind, apply(file1test, 1, function(x) {
  if(length(idx <- which(x["BP"] >= file2$BP_start & x["BP"] <= file2$BP_end)) > 0) {
    cbind(rbind(x), file2[idx,])
  } else {
    cbind(rbind(x), file2[1,][NA,])
  }
}))
#      SNP     BP  Gene BP_start BP_end
#x  rs2343 860269 E3543   860260 879955
#x1  rs211 369640  <NA>       NA     NA
#1   rs754 861822 E3543   860260 879955
#2   rs754 861822   E11   861322 879533
#x2  rs854 367934  E613   367640 368634
#x3  rs343 706940  <NA>       NA     NA
#x4  rs626 717244  <NA>       NA     NA
于 2019-07-15T13:23:51.830 回答